[发明专利]基于深度融合残差网的多光谱图像分类方法

说明书

本发明公开了一种基于深度融合残差网的高光谱图像分类方法，克服了现有技术人为选择多种弱分类器和集成方法设计的复杂耗时、计算过程繁琐并且半监督训练方式导致的分类结果存在同物异谱及异物同谱现象的缺点。本发明实现的步骤是：(1)输入多光谱图像；(2)对每一幅多光谱图像的每个波段的图像去地物目标归一化处理；(3)获得多光谱图像矩阵；(4)获取数据集；(5)搭建深度融合残差网；(6)训练深度融合残差网；(7)对测试数据集进行分类。本发明具有完备学习多光谱图像特征，过程更加简洁明了，使得分类效果更精确的优点，可用于高光谱图像的分类。

技术领域

本发明属于图像处理技术领域，更进一步涉及多光谱图像分类技术领域中的一种基于深度融合残差网多光谱图像分类方法。本发明可用于将多光谱图像中包括水域、田地、地物目标等的地物进行分类。

背景技术

多光谱图像是遥感图像的一种，它是指物体对多个波段电磁波的反射和透射所成的图像，包括可见光、红外线、紫外线、毫米波、X射线、γ射线反射或透射像。多光谱图像分类作为多光谱图像的基础研究，一直是多光谱图像重要的信息获取手段，它的主要目标是根据待测地物的空间几何信息与光谱信息将图像中的每个像素划分为不同的类别。多光谱图像的传统分类方法有很多，但是大多数方法需要针根据图像本身的特点进行人为的设计提取特征信息，比如支持向量机、决策树、最小距离分类、最大似然分类、波谱角分类、混合距离法分类等。而近些年来，深度学习中的卷积神经网络，在图像处理领域表现出强大的特征表征能力，降低了人为设计提取特征的不确定性，减少了工作量。

李星等人在其发表的论文“基于集成学习的多光谱遥感图像分类研究”(北方民族大学学报,2016)中提出了一种基于集成学习的多光谱地物分类方法。该方法采用集成学习针对多光谱遥感图像进行分类，选取多分类ECOC框架与二分类算法Logit AdaBoost算法结合的方式将二分类算法扩展成为多分类算法，并将LBPV方法应用在多光谱遥感图像提取上，提取了图像的LBP纹理特征和VAR对比度特征，描述了图像的空间特征。该方法基于集成学习对多光谱遥感图像分类，虽然能得到较好的分类结果。但是，该方法仍然存在的不足之处是，该方法需要选取多种弱分类器来进行集成学习，弱分类器的选取和集成方法的设计依靠人为经验，而且多种分类器的训练复杂并且耗时。

河南理工大学在其申请的专利文献“一种基于信息熵的半监督高光谱遥感影像分类方法”(专利申请号：201410668553.4，公开号:104376335A)中提出了一种基于信息熵的半监督高光谱遥感影像分类方法。该方法针对高光谱数据的特点，在选取较少有标记的训练标签的基础上，通过多分类logistic算法，预测出初级分类结果，然后通过renyi熵来衡量影像的能量，选取包含信息量最大的像元补充到训练样本中，再进行预测分类，最终实现高光谱遥感影像分类。该方法虽然用多分类logistic算法，预测出初级分类结果，再对各组数据通过renyi熵来衡量影像的能量，选取包含信息量最大的像元补充到训练样本中，得到最后的分类结果。该方法存在的不足之处是，该方法计算过程繁琐，而且使用半监督聚类方法，导致分类结果存在同物异谱及异物同谱现象，影响分类准确率。

发明内容

本发明的目的在于克服上述已有技术的不足，提出了一种基于深度融合残差网的多光谱图像分类方法，本发明利用深度融合残差网提取特征并且将两个卫星提取的特征向量融合，以提高分类准确率。

为实现上述目的，本发明的具体步骤如下：

(1)输入多光谱图像：

输入五个地物目标的多光谱图像，每个地物目标包含两幅多光谱图像，第一幅多光谱图像包含4个时相，每个时相10个波段图像，第二幅多光谱图像包含9个波段图像；

(2)对每一幅多光谱图像的每个波段的图像去地物目标归一化处理；

(3)获得多光谱图像矩阵：